Využití strojového učení k identifikaci protein-ligand aktivních míst

Rozměr: px
Začít zobrazení ze stránky:

Download "Využití strojového učení k identifikaci protein-ligand aktivních míst"

Transkript

1 Využití strojového učení k identifikaci protein-ligand aktivních míst David Hoksza, Radoslav Krivák SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita v Praze

2 Funkce proteinu Interakce s dalšími molekulami DNA RNA Proteiny Malé molekuly (ligandy) Určena strukturou Distribuce fyzikálně-chemických charakteristik v prostoru princip zámku a klíče 4

3 Protein-ligand interakce Aktivní místa (kapsy) Motivace Predikce funkce neznámého proteinu Identifikace potenciálních cílů pro léčiva Predikce vedlejších účinků léčiv 5

4 P2RANK Počítačová metoda (algoritmus) schopný identifikovat místa na povrchu proteinu, na které se může s vysokou pravděpodobností vázat nespecifikovaný ligand Vstup: počítačová reprezentace proteinové struktury Výstup: seznam míst na povrchu proteinu pravděpodobně schopných vázat ligand 6

5 Informatický pohled na protein Sekvence Řetěz aminokyselin lineární sekvence písmen (slovo) Struktura Pozice jednotlivých atomů v 3D prostoru Písmena reprezentují aminokyseliny (ARNDCEQGHILKMFPSTWYV) 7

6 P2RANK princip Využití informací o existujících aktivních místech pro rozpoznání typově podobných míst na neznámém proteinu Jak popsat rysy povrchu proteinu? Projekce fyzikálně chemických vlastností aminokyselin na povrch proteinu Jak určit kapsu na dosud neviděném proteinu? Strojové učení (s učitelem) Fáze učení: naučení modelu pro rozpoznání rysů bodů aktivních míst Fáze rozpoznávání: aplikace modelu na povrch neznámého proteinu 8

7 Algoritmus učící fáze 1. Získání známých protein-ligand komplexů 2. Potažení povrchů proteinů sítí bodů 3. Extrakce vektoru fyzikálně-chemických vlastností pro každý z bodů každého proteinu 4. Vybudování modelu, který pro daný bod (vektor) bude schopný určit, s jakou pravděpodobnostní je tento součástí kapsy = strojové učení 9

8 P2RANK - extrakce vlastností Okolo 30 atributů popisující fyzikálněchemické vlastnosti aminokyselin a lokálního okolí daného bodu < pc 1, pc 2,, pc n > 10

9 Strojové učení Skupina algoritmů schopných identifikovat (naučit se) vzory v datech a a tuto znalost aplikovat na dosud neviděných příkladech Klasifikace Regrese Shlukování Typy Strojové učení s učitelem (supervised learning) Strojové učení bez učitele (unsupervised learning) 11

10 12

11 Algoritmus fáze rozpoznávání 1. Potažení povrchu neznámého proteinu sítí bodů 2. Aplikace modelu pro každý bod sítě vazebné skóre bodu 3. Vypuštění bodů s nízkým vazebným skórem 4. Identifikace shluků vysoce skórujících bodů kapsa 5. Ohodnocení kapes součtem skór jejich bodů 14

12 Jaké znalosti jsou třeba pro vývoj P2RANKu? Základy biologie, proteomiky Znalost zdrojů biologických dat (PDB) Programování Pokročilá algoritmizace (strojové učení) Statistika 15

13 Bioinformatické projekty na KSI MFF UK Proteiny Podobnostní hledání proteinových struktur P3S Identifikací protein-ligand interakcí P2RANK Identifikace protein-protein interakcí Identifikace proteinových sekvencí ze spektrometrických dat - SIMTANDEM RNA Podobnost RNA struktur SETTER Predikce sekundární struktury RNA - rpredictor Malé molekuly Identifikace biologicky aktivních molekul explorací chemického prostoru - Molpher 16

14 Dotazy 17

Genomické databáze. Shlukování proteinových sekvencí. Ivana Rudolfová. školitel: doc. Ing. Jaroslav Zendulka, CSc.

Genomické databáze. Shlukování proteinových sekvencí. Ivana Rudolfová. školitel: doc. Ing. Jaroslav Zendulka, CSc. Genomické databáze Shlukování proteinových sekvencí Ivana Rudolfová školitel: doc. Ing. Jaroslav Zendulka, CSc. Obsah Proteiny Zdroje dat Predikce struktury proteinů Cíle disertační práce Vstupní data

Více

NAIL072 ROZPOZNÁVÁNÍ VZORŮ

NAIL072 ROZPOZNÁVÁNÍ VZORŮ NAIL072 ROZPOZNÁVÁNÍ VZORŮ RNDr. Jana Štanclová, Ph.D. jana.stanclova@ruk.cuni.cz www.cuni.cz/~stancloj LS Zk 2/0 OSNOVA 1. Úvod do rozpoznávání vzorů 2. Bayesovská teorie rozpoznávání 3. Diskriminační

Více

Bioinformatika a výpočetní biologie KFC/BIN. I. Přehled

Bioinformatika a výpočetní biologie KFC/BIN. I. Přehled Bioinformatika a výpočetní biologie KFC/BIN I. Přehled RNDr. Karel Berka, Ph.D. Univerzita Palackého v Olomouci Definice bioinformatiky (Molecular) bio informatics: bioinformatics is conceptualising biology

Více

Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence

Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY

Více

Strojové učení se zaměřením na vliv vstupních dat

Strojové učení se zaměřením na vliv vstupních dat Strojové učení se zaměřením na vliv vstupních dat Irina Perfilieva, Petr Hurtík, Marek Vajgl Centre of excellence IT4Innovations Division of the University of Ostrava Institute for Research and Applications

Více

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných

Více

Studijní materiály pro bioinformatickou část ViBuChu. úloha II. Jan Komárek, Gabriel Demo

Studijní materiály pro bioinformatickou část ViBuChu. úloha II. Jan Komárek, Gabriel Demo Studijní materiály pro bioinformatickou část ViBuChu úloha II Jan Komárek, Gabriel Demo Adenin Struktura DNA Thymin 5 konec 3 konec DNA tvořena dvěmi řetězci orientovanými antiparalelně (liší se orientací

Více

Moderní systémy pro získávání znalostí z informací a dat

Moderní systémy pro získávání znalostí z informací a dat Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:

Více

Cvičení z matematiky jednoletý volitelný předmět

Cvičení z matematiky jednoletý volitelný předmět Název předmětu: Zařazení v učebním plánu: Cvičení z matematiky O8A, C4A, jednoletý volitelný předmět Cíle předmětu Obsah předmětu je zaměřen na přípravu studentů gymnázia na společnou část maturitní zkoušky

Více

VÝUKA studentů celkem 3 000 (bakaláři + magistři + doktorandi); 72 profesorů, 120 docentů

VÝUKA studentů celkem 3 000 (bakaláři + magistři + doktorandi); 72 profesorů, 120 docentů založena roku 1920 centrum výuky a výzkumu rozpočet v roce 2013 cca 1,114 miliardy Kč (zhruba 1:1 státní dotace a grantové prostředky) - z toho biologie má asi 1/3 (i v dalších parametrech) VÝUKA studentů

Více

Deriváty karboxylových kyselin, aminokyseliny, estery

Deriváty karboxylových kyselin, aminokyseliny, estery Deriváty karboxylových kyselin, aminokyseliny, estery Zpracovala: Ing. Štěpánka Janstová 29.1.2012 Určeno pro 9. ročník ZŠ V/II,EU-OPVK,42/CH9/Ja Přehled a využití derivátů organických kyselin, jejich

Více

přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat

přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat Zkouška ISR 2013 přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat 1. Rozdílné principy u induktivního a deduktivního

Více

Inovace studia molekulární a buněčné biologie

Inovace studia molekulární a buněčné biologie Inovace studia molekulární a buněčné biologie Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. MBIO1/Molekulární biologie 1 Tento projekt je spolufinancován

Více

Klasifikace hudebních stylů

Klasifikace hudebních stylů Klasifikace hudebních stylů Martin Šimonovský (mys7@seznam.cz) Rozpoznávání hudby úloha z oblasti DSP klasifikace dle hudebních stylů

Více

Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy

Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování

Více

Sociální síť informatiků v regionech České republiky

Sociální síť informatiků v regionech České republiky SoSIReČR Sociální síť informatiků v regionech České republiky Martin Nečaský, Ph.D. Katedra softwarového inženýrství MFF UK Systémová Integrace 2010 Strategie projektu Vize Sociální síť IT profesionálů

Více

Úvod do zpracování obrazů. Petr Petyovský Miloslav Richter

Úvod do zpracování obrazů. Petr Petyovský Miloslav Richter Úvod do zpracování obrazů Petr Petyovský Miloslav Richter 1 OBSAH Motivace, prvky a základní problémy počítačového vidění, pojem scéna Terminologie, obraz, zpracování a analýza obrazu, počítačové vidění,

Více

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem Dříve les než stromy 3 Operace s maticemi Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová

Více

Rozpoznávání písmen. Jiří Šejnoha Rudolf Kadlec (c) 2005

Rozpoznávání písmen. Jiří Šejnoha Rudolf Kadlec (c) 2005 Rozpoznávání písmen Jiří Šejnoha Rudolf Kadlec (c) 2005 Osnova Motivace Popis problému Povaha dat Neuronová síť Architektura Výsledky Zhodnocení a závěr Popis problému Jedná se o praktický problém, kdy

Více

Doprovodný materiál k práci s přípravným textem Biologické olympiády 2014/2015 pro soutěžící a organizátory kategorie B

Doprovodný materiál k práci s přípravným textem Biologické olympiády 2014/2015 pro soutěžící a organizátory kategorie B Doprovodný materiál k práci s přípravným textem Biologické olympiády 2014/2015 pro soutěžící a organizátory kategorie B Níže uvedené komentáře by měly pomoci soutěžícím z kategorie B ke snazší orientaci

Více

Informatika a výpočetní technika 1. roč./1. sem. 1. roč./2. sem. 2. roč./3. sem. 1 kr. Povinné předměty pro obor IVT

Informatika a výpočetní technika 1. roč./1. sem. 1. roč./2. sem. 2. roč./3. sem. 1 kr. Povinné předměty pro obor IVT 1. roč./1. sem. 1. roč./2. sem. 2. roč./3. sem. 1+0 Zk 2. roč./4. sem. Semestrální Semestrální 460-4064/01 460-4067/01 460-4095/01 460-4096/01 460-4065/01 470-4405/01 Povinně volitelné předměty pro obor

Více

Úvod do molekulové dynamiky simulace proteinů. Eva Fadrná evaf@chemi.muni.cz

Úvod do molekulové dynamiky simulace proteinů. Eva Fadrná evaf@chemi.muni.cz Úvod do molekulové dynamiky simulace proteinů Eva Fadrná evaf@chemi.muni.cz Molekulová mechanika = metoda silového pole = force field Energie vypočtená řešením Schrodingerovy rovnice Energie vypočtená

Více

IBM SPSS Decision Trees

IBM SPSS Decision Trees IBM Software IBM SPSS Decision Trees Jednoduše identifikujte skupiny a predikujte Stromově uspořádané postupné štěpení dat na homogenní podmnožiny je technika vhodná pro exploraci vztahů i pro tvorbu rozhodovacích

Více

Biochemie Ch52 volitelný předmět pro 4. ročník

Biochemie Ch52 volitelný předmět pro 4. ročník Biochemie Ch52 volitelný předmět pro 4. ročník Charakteristika vyučovacího předmětu Vyučovací předmět vychází ze vzdělávací oblasti Člověk a příroda, vzdělávacího oboru Chemie. Mezipředmětové přesahy a

Více

Strojové učení Marta Vomlelová

Strojové učení Marta Vomlelová Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura 1.T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer

Více

StatSoft Úvod do neuronových sítí

StatSoft Úvod do neuronových sítí StatSoft Úvod do neuronových sítí Vzhledem k vzrůstající popularitě neuronových sítí jsme se rozhodli Vám je v tomto článku představit a říci si něco o jejich využití. Co si tedy představit pod pojmem

Více

Identifikace. Jiří Jelínek. Katedra managementu informací Fakulta managementu J. Hradec Vysoká škola ekonomická Praha

Identifikace. Jiří Jelínek. Katedra managementu informací Fakulta managementu J. Hradec Vysoká škola ekonomická Praha Identifikace tématických sociálních sítí Katedra managementu informací Fakulta managementu J. Hradec Vysoká škola ekonomická Praha 2 Obsah prezentace Cíl Fáze řešení a navržené postupy Prototyp a výsledky

Více

6. Kde v DNA nalézáme rozdíly, zodpovědné za obrovskou diverzitu života?

6. Kde v DNA nalézáme rozdíly, zodpovědné za obrovskou diverzitu života? 6. Kde v DNA nalézáme rozdíly, zodpovědné za obrovskou diverzitu života? Pamatujete na to, co se objevilo v pracích Charlese Darwina a Alfreda Wallace ohledně vývoje druhů? Aby mohl mechanismus přírodního

Více

ZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ 2014 7.4 13/14

ZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ 2014 7.4 13/14 ZÁKLADY PROGRAMOVÁNÍ Mgr. Vladislav BEDNÁŘ 2014 7.4 13/14 Co je vhodné vědět, než si vybereme programovací jazyk a začneme programovat roboty. 1 / 13 0:40 Implementace Umělá inteligence (UI) Umělá inteligence

Více

Principy počítačů I Perspektivní technologie, měření výkonnosti a spolehlivost

Principy počítačů I Perspektivní technologie, měření výkonnosti a spolehlivost Principy počítačů I Perspektivní technologie, měření výkonnosti a spolehlivost snímek 1 Principy počítačů Část XI Perspektivní technologie, měření výkonnosti a spolehlivost 1 snímek 2 1 cm 1 µm 50 nm 1

Více

Získávání znalostí z dat

Získávání znalostí z dat Získávání znalostí z dat Informační a komunikační technologie ve zdravotnictví Získávání znalostí z dat Definice: proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné informace

Více

Nanotechnologie jako součást výuky fyziky

Nanotechnologie jako součást výuky fyziky Nanotechnologie jako součást výuky fyziky Lucie Kolářová Oddělení didaktiky fyziky Školitel: Doc. Jiří Tuček Katedra exprimentální fyziky Přírodovědecká fakulta Univerzity Palackého v Olomouci Vítejte

Více

Uživatelská podpora v prostředí WWW

Uživatelská podpora v prostředí WWW Uživatelská podpora v prostředí WWW Jiří Jelínek Katedra managementu informací Fakulta managementu Jindřichův Hradec Vysoká škola ekonomická Praha Úvod WWW obsáhlost obsahová i formátová pestrost dokumenty,

Více

1. Data mining. Strojové učení. Základní úlohy.

1. Data mining. Strojové učení. Základní úlohy. 1... Základní úlohy. Učení s učitelem a bez učitele. Petr Pošík Katedra kybernetiky ČVUT FEL P. Pošík c 2010 Aplikace umělé inteligence 1 / 36 Obsah P. Pošík c 2010 Aplikace umělé inteligence 2 / 36 Co

Více

Získávání dat z databází 1 DMINA 2010

Získávání dat z databází 1 DMINA 2010 Získávání dat z databází 1 DMINA 2010 Získávání dat z databází Motto Kde je moudrost? Ztracena ve znalostech. Kde jsou znalosti? Ztraceny v informacích. Kde jsou informace? Ztraceny v datech. Kde jsou

Více

UČENÍ BEZ UČITELE. Václav Hlaváč

UČENÍ BEZ UČITELE. Václav Hlaváč UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení

Více

úč úč ž ů ž Č Č č č ů ž úč č úč ť Ň č ú Ý č č Ú Ú ť ú č ď ů ž š úč ž úč úč ž ť ď ť ď ž ú č č úč š ž Ů č č ú úč ž ů ť úč ž ž ž Ů č ž ú č Š úč č Úč Č Č š ď š Š š Ó Ó ž ůč ú Ď ť ž ů ů č ů Č ů ž úč Ý č ž úč

Více

č ů š ň č č Ú č č č Ú ů Ú č ž ú š š ý č ú ó ó ž č ý ý ý č ž č ý ž ý č ý ž ž č ý ý ý ž ý ý ý ý š ý š ů ů č č ý ž č ý ů š ž ý Ú Ú úč š ů ž ů ů Úč ž č ý č š ý ů č š ý ý ý ů č č ž ů š ů ů š ý ý ů ů č č ž ú

Více

Á Ě Í Ě Á Á ó č ž č ž č Í š úč é úč š ž č é ů č é č é é ů č ů č č ů é Ž š ů ů š č é Ž č é Ž č Í ž Ž Ž é é Ů é Ř ů ť š é é č é é é š č č é č č č č š č š é č é č ů č č š ú é č é š é Ž Ž é é ú č č é ů č š

Více

14 Úvod do plánování projektu Řízení projektu

14 Úvod do plánování projektu Řízení projektu 14 Úvod do plánování projektu Řízení projektu Plánování projektu Vývoj - rozbor zadání odhad pracnosti, doby řešení, nákladů,... analýza rizik strategie řešení organizace týmu PLÁN PROJEKTU 14.1 Softwarové

Více

Seminář z matematiky. jednoletý volitelný předmět

Seminář z matematiky. jednoletý volitelný předmět Název předmětu: Zařazení v učebním plánu: Seminář z matematiky O8A, C4A, jednoletý volitelný předmět Cíle předmětu Obsah předmětu je koncipován pro přípravu studentů k úspěšnému zvládnutí profilové (školní)

Více

Modely vyhledávání informací 4 podle technologie. 1) Booleovský model. George Boole 1815 1864. Aplikace booleovské logiky

Modely vyhledávání informací 4 podle technologie. 1) Booleovský model. George Boole 1815 1864. Aplikace booleovské logiky Modely vyhledávání informací 4 podle technologie 1) Booleovský model 1) booleovský 2) vektorový 3) strukturní 4) pravděpodobnostní a další 1 dokumenty a dotazy jsou reprezentovány množinou indexových termů

Více

Počítačová chemie. výpočetně náročné simulace chemických a biomolekulárních systémů. Zora Střelcová

Počítačová chemie. výpočetně náročné simulace chemických a biomolekulárních systémů. Zora Střelcová Počítačová chemie výpočetně náročné simulace chemických a biomolekulárních systémů Zora Střelcová Národní centrum pro výzkum biomolekul, Masarykova univerzita, Kotlářská 2, 611 37 Brno, Česká Republika

Více

Získávání znalostí z databází. Alois Kužela

Získávání znalostí z databází. Alois Kužela Získávání znalostí z databází Alois Kužela Obsah související pojmy datové sklady, získávání znalostí asocianí pravidla 2/37 Úvod získávání znalostí z dat, dolování (z) dat, data mining proces netriviálního

Více

Tabulace učebního plánu

Tabulace učebního plánu Tabulace učebního plánu Vzdělávací obsah pro vyučovací předmět : Informační a výpočetní technika Ročník: 3. - 4. ročník (septima - oktáva) Tématická oblast DIGITÁLNÍ TECHNOLOGIE informatika hardware software

Více

Počítače a volný čas dětí a mládeže

Počítače a volný čas dětí a mládeže Počítače a volný čas dětí a mládeže ICT Koordinátor Jihlava, listopad 2007 Tomáš Pitner Masarykova univerzita, Brno Universität Wien e-mail: tomp@fi.muni.cz, tel: 549495940 Obsah modulu Počítač a volný

Více

5.1.7 Informatika a výpočetní technika. Časové, obsahové a organizační vymezení. ročník 1. 2. 3. 4. hodinová dotace 2 2 0 0

5.1.7 Informatika a výpočetní technika. Časové, obsahové a organizační vymezení. ročník 1. 2. 3. 4. hodinová dotace 2 2 0 0 5.1.7 Informatika a výpočetní technika Časové, obsahové a organizační vymezení ročník 1. 2. 3. 4. hodinová dotace 2 2 0 0 Realizuje se vzdělávací obor Informatika a výpočetní technika RVP pro gymnázia.

Více

Spojení OntoUML a GLIKREM ve znalostním rozhodování

Spojení OntoUML a GLIKREM ve znalostním rozhodování 1 Formalizace biomedicínských znalostí Spojení OntoUML a GLIKREM ve znalostním rozhodování Ing. David Buchtela, Ph.D. 16. června 2014, Faustův dům, Praha Skupina mezioborových dovedností Fakulta informačních

Více

Typy umělých neuronových sítí

Typy umělých neuronových sítí Tp umělých neuronových sítí umělá neuronová síť vznikne spojením jednotlivých modelů neuronů výsledná funkce sítě je určena způsobem propojení jednotlivých neuronů, váhami těchto spojení a způsobem činnosti

Více

LABORATOŘ KOVŮ A KOROZE VZDĚLÁVÁNÍ ODBORNÉ KURZY A SEMINÁŘE

LABORATOŘ KOVŮ A KOROZE VZDĚLÁVÁNÍ ODBORNÉ KURZY A SEMINÁŘE ODBORNÉ KURZY A SEMINÁŘE Vysoké učení technické v Brně Fakulta chemická Purkyňova 464/118 612 00 Brno wasserbauer@fch.vutbr.cz Využijte bohaté know-how odborných pracovníků Laboratoře kovů a koroze při

Více

DBS Konceptuální modelování

DBS Konceptuální modelování DBS Konceptuální modelování Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze Michal.Valenta@fit.cvut.cz c Michal Valenta, 2010 BIVŠ DBS I, ZS 2010/11 https://users.fit.cvut.cz/

Více

Samoučící se neuronová síť - SOM, Kohonenovy mapy

Samoučící se neuronová síť - SOM, Kohonenovy mapy Samoučící se neuronová síť - SOM, Kohonenovy mapy Antonín Vojáček, 14 Květen, 2006-10:33 Měření a regulace Samoorganizující neuronové sítě s učením bez učitele jsou stále více využívány pro rozlišení,

Více

BÍLKOVINY. Autor: Mgr. Stanislava Bubíková. Datum (období) tvorby: 15. 2. 2013. Ročník: devátý

BÍLKOVINY. Autor: Mgr. Stanislava Bubíková. Datum (období) tvorby: 15. 2. 2013. Ročník: devátý BÍLKOVINY Autor: Mgr. Stanislava Bubíková Datum (období) tvorby: 15. 2. 2013 Ročník: devátý Vzdělávací oblast: Člověk a příroda / Chemie / Organické sloučeniny 1 Anotace: Žáci se seznámí s oblastmi chemického

Více

Fakulta chemicko-technologická

Fakulta chemicko-technologická Fakulta chemicko-technologická Katedra analytické chemie Katedra anorganické technologie

Více

Stanovení forem, termínů a témat profilové části maturitní zkoušky oboru vzdělání 78-42-M/01 Technické lyceum STROJNICTVÍ

Stanovení forem, termínů a témat profilové části maturitní zkoušky oboru vzdělání 78-42-M/01 Technické lyceum STROJNICTVÍ Stanovení forem, termínů a témat profilové části maturitní zkoušky oboru vzdělání 78-42-M/01 Technické lyceum STROJNICTVÍ 1. Mechanické vlastnosti materiálů 2. Technologické vlastnosti materiálů 3. Zjišťování

Více

Data Envelopment Analysis (Analýza obalu dat)

Data Envelopment Analysis (Analýza obalu dat) Data Envelopment Analysis (Analýza obalu dat) Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Optimalizace s aplikací ve financích

Více

METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1

METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ

Více

MATURITNÍ OTÁZKY ELEKTROTECHNIKA - POČÍTAČOVÉ SYSTÉMY 2003/2004 PROGRAMOVÉ VYBAVENÍ POČÍTAČŮ

MATURITNÍ OTÁZKY ELEKTROTECHNIKA - POČÍTAČOVÉ SYSTÉMY 2003/2004 PROGRAMOVÉ VYBAVENÍ POČÍTAČŮ MATURITNÍ OTÁZKY ELEKTROTECHNIKA - POČÍTAČOVÉ SYSTÉMY 2003/2004 PROGRAMOVÉ VYBAVENÍ POČÍTAČŮ 1) PROGRAM, ZDROJOVÝ KÓD, PŘEKLAD PROGRAMU 3 2) HISTORIE TVORBY PROGRAMŮ 3 3) SYNTAXE A SÉMANTIKA 3 4) SPECIFIKACE

Více

ENZYMY A NUKLEOVÉ KYSELINY

ENZYMY A NUKLEOVÉ KYSELINY ENZYMY A NUKLEOVÉ KYSELINY Autor: Mgr. Stanislava Bubíková Datum (období) tvorby: 28. 3. 2013 Ročník: devátý Vzdělávací oblast: Člověk a příroda / Chemie / Organické sloučeniny 1 Anotace: Žáci se seznámí

Více

Struktury a vazebné energie iontových klastrů helia

Struktury a vazebné energie iontových klastrů helia Společný seminář 11. června 2012 Struktury a vazebné energie iontových klastrů helia Autor: Lukáš Červenka Vedoucí práce: Doc. RNDr. René Kalus, Ph.D. Technický úvod Existují ověřené optimalizační algoritmy

Více

Bioinformatika pro PrfUK 2003

Bioinformatika pro PrfUK 2003 Bioinformatika pro PrfUK 2003 Jiří Vondrášek Ústav organické chemie a biochemie vondrasek@uochb.cas.cz Jan Pačes Ústav molekulární genetiky hpaces@img.cas.cz http://bio.img.cas.cz/prfuk2003 What is Bioinformatics?---The

Více

Interakce proteinu p53 s genomovou DNA v kontextu chromatinu glioblastoma buněk

Interakce proteinu p53 s genomovou DNA v kontextu chromatinu glioblastoma buněk MASARYKOVA UNIVERZITA V BRNĚ Přírodovědecká fakulta Ústav experimentální biologie Oddělení genetiky a molekulární biologie Interakce proteinu p53 s genomovou DNA v kontextu chromatinu glioblastoma buněk

Více

NMR biomakromolekul RCSB PDB. Progr. NMR

NMR biomakromolekul RCSB PDB. Progr. NMR NMR biomakromolekul Typy biomakromolekul a možnosti studia pomocí NMR proteiny a peptidy rozmanité složení, omezení jen velikostí molekul nukleové kyseliny (RNA, DNA) a oligonukleotidy omezení malou rozmanitostí

Více

Bílkoviny a rostlinná buňka

Bílkoviny a rostlinná buňka Bílkoviny a rostlinná buňka Bílkoviny Rostliny --- kontinuální diferenciace vytváření orgánů: - mitotická dělení -zvětšování buněk a tvorba buněčné stěny syntéza bílkovin --- fotosyntéza syntéza bílkovin

Více

Marta Vomlelová marta@ktiml.mff.cuni.cz

Marta Vomlelová marta@ktiml.mff.cuni.cz Strojové učení Úvod, lineární regrese Marta Vomlelová marta@ktiml.mff.cuni.cz References [1] P. Berka. Dobývání znalostí z databází. Academia, 2003. [2] T. Hastie, R. Tishirani, and J. Friedman. The Elements

Více

Tabulace učebního plánu. Obecná chemie. Vzdělávací obsah pro vyučovací předmět : Ročník: 1.ročník a kvinta

Tabulace učebního plánu. Obecná chemie. Vzdělávací obsah pro vyučovací předmět : Ročník: 1.ročník a kvinta Tabulace učebního plánu Vzdělávací obsah pro vyučovací předmět : CHEMIE Ročník: 1.ročník a kvinta Obecná Bezpečnost práce Názvosloví anorganických sloučenin Zná pravidla bezpečnosti práce a dodržuje je.

Více

Celosvětová produkce plastů

Celosvětová produkce plastů PRODUKCE PLASTŮ Zpracování plastů cvičení 1 TU v Liberci, FS Celosvětová produkce plastů Mil. tun Asie (bez Japonska) 16 % Střední a západní Evropa 21 % Společenství nezávislých států 3 % 235 mil. tun

Více

Mikročipy v mikrobiologii

Mikročipy v mikrobiologii Mikročipy v mikrobiologii doc. RNDr. Milan Bartoš, Ph.D. bartosm@vfu.cz Přírodovědecká fakulta MU, 2014 Obsah přednášky 1) Charakteristika biočipů, DNA microarrays a DNA chip 2) Výroba čipů, charakteristika

Více

Dolování znalostí z rozsáhlých statistických souborů lékařských dat

Dolování znalostí z rozsáhlých statistických souborů lékařských dat Mendelova univerzita v Brně Provozně ekonomická fakulta Dolování znalostí z rozsáhlých statistických souborů lékařských dat Diplomová práce Vedoucí práce: doc. Ing. Jan Žižka, CSc. Brno 2015 Vypracoval:

Více

MATEMATICKÁ BIOLOGIE

MATEMATICKÁ BIOLOGIE INSTITUT BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita MATEMATICKÁ BIOLOGIE Přírodovědecká fakulta Masarykova univerzita, Brno Studijní obor Matematická biologie Masarykova

Více

Cvičná bakalářská zkouška, 1. varianta

Cvičná bakalářská zkouška, 1. varianta jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární

Více

Vazebné interakce protein s DNA

Vazebné interakce protein s DNA Vazebné interakce protein s DNA Vazebné možnosti vn jší vazba atmosféra + iont kolem nabité DNA vazba ve žlábku van der Waalsovský kontakt s lé ivem ve žlábku interkalace vmeze ení planárního aromat.

Více

NANOMATERIÁLY, NANOTECHNOLOGIE, NANOMEDICÍNA

NANOMATERIÁLY, NANOTECHNOLOGIE, NANOMEDICÍNA NANOMATERIÁLY, NANOTECHNOLOGIE, NANOMEDICÍNA Nano je z řečtiny = trpaslík. 10-9, 1 nm = cca deset tisícin průměru lidského vlasu Nanotechnologie věda a technologie na atomární a molekulární úrovni Mnoho

Více

Automatické rozpoznávání dopravních značek

Automatické rozpoznávání dopravních značek ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA DOPRAVNÍ Jiří Hofman Automatické rozpoznávání dopravních značek Semestrální práce z předmětu ITS 2012 Obsah 1. Automatické rozpoznávání dopravních značek (ATSR)...

Více

Strojové uení. typy učení: Metody učení: učení se znalostem (knowledge acquisition) učení se dovednostem (skill refinement).

Strojové uení. typy učení: Metody učení: učení se znalostem (knowledge acquisition) učení se dovednostem (skill refinement). Strojové uení typy učení: učení se znalostem (knowledge acquisition) učení se dovednostem (skill refinement). volba reprezentace u ení u ení znalosti rozhodování objekt popis rozhodování rozhodnutí objektu

Více

Pravidla a podmínky k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost

Pravidla a podmínky k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost Pravidla a podmínky k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost (dále jen společnost) stanoví k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost (dále jen osvědčení) následující

Více

Reranking založený na metadatech

Reranking založený na metadatech České vysoké učení technické v Praze Fakulta informačních technologií Katedra softwarového inženýrství Reranking založený na metadatech MI-VMW Projekt IV - 1 Pavel Homolka Ladislav Kubeš 6. 12. 2011 1

Více

Digitální učební materiál

Digitální učební materiál Digitální učební materiál Projekt CZ.1.07/1.5.00/34.0415 Inovujeme, inovujeme Šablona III/2 Inovace a zkvalitnění výuky prostřednictvím ICT (DUM) Tematická Odborná biologie, část biologie Společná pro

Více

Architektura - struktura sítě výkonných prvků, jejich vzájemné propojení.

Architektura - struktura sítě výkonných prvků, jejich vzájemné propojení. Základní pojmy z oblasti neuronových sítí Zde je uveden přehled některých základních pojmů z oblasti neuronových sítí. Tento přehled usnadní studium a pochopení předmětu. ADALINE - klasická umělá neuronová

Více

Distribuce. Doc. PharmDr. František Štaud, Ph.D. Katedra farmakologie a toxikologie Univerzita Karlova v Praze Farmaceutická fakulta v Hradci Králové

Distribuce. Doc. PharmDr. František Štaud, Ph.D. Katedra farmakologie a toxikologie Univerzita Karlova v Praze Farmaceutická fakulta v Hradci Králové Distribuce Doc. PharmDr. František Štaud, Ph.D. Katedra farmakologie a toxikologie Univerzita Karlova v Praze Farmaceutická fakulta v Hradci Králové Definice Distribuce je fáze farmakokinetiky, při které

Více

Neuropočítače. podnět. vnímání (senzory)

Neuropočítače. podnět. vnímání (senzory) Neuropočítače Princip inteligentního systému vnímání (senzory) podnět akce (efektory) poznání plánování usuzování komunikace Typické vlastnosti inteligentního systému: schopnost vnímat podněty z okolního

Více

Pořízení licencí statistického SW

Pořízení licencí statistického SW Pořízení licencí statistického SW Zadavatel: Česká školní inspekce, Fráni Šrámka 37, 150 21 Praha 5 IČO: 00638994 Jednající: Mgr. Tomáš Zatloukal Předpokládaná (a maximální cena): 1.200.000 vč. DPH Typ

Více

Dobývání znalostí z webu web mining

Dobývání znalostí z webu web mining Dobývání znalostí z webu web mining Web Mining is is the application of data mining techniques to discover patterns from the Web (Wikipedia) Tři oblasti: Web content mining (web jako kolekce dokumentů)

Více

Znalostní báze pro obor organizace informací a znalostí

Znalostní báze pro obor organizace informací a znalostí Znalostní báze pro obor organizace informací a znalostí Představení projektu Programu aplikovaného výzkumu a vývoje národní a kulturní identity (NAKI) DF13P01OVV013 2013 2015 Helena Kučerová ÚISK FF UK

Více

Myšlenkové mapy v Linuxu

Myšlenkové mapy v Linuxu Myšlenkové mapy v Linuxu Michal Černý LinuxAlt 2011 Abstrakt Myšlenkové mapy se staly nezpochybnitelným fenoménem. Používají se k rozvoji kreativního myšlení, ke studiu, kooperaci na projektech nebo jako

Více

Zasedání vědecké rady FCHI. 20. května 2011

Zasedání vědecké rady FCHI. 20. května 2011 Zasedání vědecké rady FCHI 20. května 2011 Program zasedání VR FCHI 20.05.2011 1. Zahájení 2. Volba skrutátorů pro tajné hlasování 3. Habilitační řízení Ing. Lubomír Hnědkovský, CSc. 4. Habilitační řízení

Více

MARKEROVÁ STATISTIKA. Jiří Knížek. Leden 2013

MARKEROVÁ STATISTIKA. Jiří Knížek. Leden 2013 MARKEROVÁ STATISTIKA Jiří Knížek Leden 2013 Statistické algoritmy, zaměřující se na závislostní identifikaci (bio)markerů a určování diagnózy Testy v soustavě vícenásobných lineárních regresí Lze testovat

Více

STUDIJNÍ OPORY S PŘEVAŽUJÍCÍMI DISTANČNÍMI PRVKY PRO VÝUKU STATISTIKY PRVNÍ ZKUŠENOSTI. Pavel Praks, Zdeněk Boháč

STUDIJNÍ OPORY S PŘEVAŽUJÍCÍMI DISTANČNÍMI PRVKY PRO VÝUKU STATISTIKY PRVNÍ ZKUŠENOSTI. Pavel Praks, Zdeněk Boháč STUDIJNÍ OPORY S PŘEVAŽUJÍCÍMI DISTANČNÍMI PRVKY PRO VÝUKU STATISTIKY PRVNÍ ZKUŠENOSTI Pavel Praks, Zdeněk Boháč Katedra matematiky a deskriptivní geometrie, VŠB - Technická univerzita Ostrava 17. listopadu

Více

Digitální učební materiál

Digitální učební materiál Digitální učební materiál Projekt CZ.1.07/1.5.00/34.0415 Inovujeme, inovujeme Šablona III/2 Inovace a zkvalitnění výuky prostřednictvím ICT (DUM) Tematická Odborná biologie, část biologie Společná pro

Více

S E M E S T R Á L N Í

S E M E S T R Á L N Í Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie S E M E S T R Á L N Í P R Á C E Licenční studium Statistické zpracování dat při managementu jakosti Předmět Určení vnitřní

Více

Vývoj nového léčiva. as. MUDr. Martin Votava, PhD.

Vývoj nového léčiva. as. MUDr. Martin Votava, PhD. Vývoj nového léčiva as. MUDr. Martin Votava, PhD. Příprava na vývoj a registraci LP Náklady na vývoj: 800 mil USD Doba vývoje: 10 let Úspěšnost: 0,005% - 0,001% Vývoj nového léčivého přípravku IND NDA

Více

Dolování dat z multimediálních databází. Ing. Igor Szöke Speech group ÚPGM, FIT, VUT

Dolování dat z multimediálních databází. Ing. Igor Szöke Speech group ÚPGM, FIT, VUT Dolování dat z multimediálních databází Ing. Igor Szöke Speech group ÚPGM, FIT, VUT Obsah prezentace Co jsou multimediální databáze Možnosti dolování dat v multimediálních databázích Vyhledávání fotografií

Více

Miroslav Čepek 16.12.2014

Miroslav Čepek 16.12.2014 Vytěžování Dat Přednáška 12 Kombinování modelů Miroslav Čepek Pavel Kordík a Jan Černý (FIT) Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti 16.12.2014

Více

Biologicky inspirované výpočty. Schématické rozdělení problematiky a výuky

Biologicky inspirované výpočty. Schématické rozdělení problematiky a výuky Biologicky inspirované výpočty Schématické rozdělení problematiky a výuky 1 Biologicky inspirované výpočty - struktura problematiky Evoluční systémy: evoluční algoritmy, evoluční hardware, víceúčelová

Více

Lineární diskriminační funkce. Perceptronový algoritmus.

Lineární diskriminační funkce. Perceptronový algoritmus. Lineární. Perceptronový algoritmus. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics P. Pošík c 2012 Artificial Intelligence 1 / 12 Binární klasifikace

Více

Úvod Příklad Výpočty a grafické znázornění. Filip Habr. České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská

Úvod Příklad Výpočty a grafické znázornění. Filip Habr. České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská Neuronové sítě-delta učení Filip Habr České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská 30. března 2009 Obsah prezentace Obsah prezentace Delta učení 1 Teorie k delta učení 2

Více

Extrakce a selekce příznaků

Extrakce a selekce příznaků Extrakce a selekce příznaků Based on slides Martina Bachlera martin.bachler@igi.tugraz.at, Makoto Miwa And paper Isabelle Guyon, André Elisseeff: An Introduction to variable and feature selection. JMLR,

Více

Prezentace školy. 00216224 Masarykova univerzita Žerotínovo nám. 9, Brno, Jihomoravský kraj. Veřejná vysoká škola

Prezentace školy. 00216224 Masarykova univerzita Žerotínovo nám. 9, Brno, Jihomoravský kraj. Veřejná vysoká škola Prezentace školy 00216224 Masarykova univerzita Žerotínovo nám. 9, Brno, Jihomoravský kraj Veřejná vysoká škola Spolupráce MU s podniky Spolupráce s podniky Výzkum a vývoj Studenti Další vzdělávání Ostatní

Více

Dálkový průzkum Země. Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU

Dálkový průzkum Země. Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU Dálkový průzkum Země Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU Klasifikace obrazu Klasifikaci můžeme obecně definovat jako seskupování vzájemně si podobných prvků (entit) do

Více

Big Data a oficiální statistika. Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc.

Big Data a oficiální statistika. Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc. Big Data a oficiální statistika Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc. Obsah příspěvku Charakteristiky Big Data Výzvy a úskalí z perspektivy statistiky Výzvy z perspektivy computing

Více